[英]How to subset rows in a dataframe in R according to mean of variable?
我在 R 中有一个数据框,有 120 个观察值(参与者)。 所有样本的平均年龄为 51 岁(范围 25-90)。 我想随机选择 60 个这些观察值,使其平均值为 40。有没有办法做到这一点? 我宁愿避免手动修剪以避免可能由此产生的问题。
我感谢可以提供的任何帮助!
如果您将样本限制为具有特定均值,那么它就不是真正的随机样本。 但是,有多种方法可以做到这一点,但没有一种是容易的。 这取决于您样本中的年龄分布,我当然没有。
无论如何,以下数据框将与您的有点相似:
set.seed(772)
df <- data.frame(age = sample(25:90, 120, T), ID = factor(1:120))
我们可以看到它有正确范围的年龄和正确的平均值:
range(df$age)
#> [1] 25 90
mean(df$age)
#> [1] 51.23333
现在,为了让您的样本年龄达到平均 40 岁,您需要优先从年轻群体中取样。 首先,我们将找到“老”和“年轻”参与者的指数:
young <- which(df$age <= 40)
old <- which(df$age > 40)
现在我们只需要尝试大量样本(通过循环),直到平均值接近 40。为了在不完全截断年龄较大的情况下做到这一点,我们将为每个样本采用 2:1 的年轻人和老年人比例。 为此,您的数据中至少需要 40 名 40 岁以下的参与者,我猜您确实有。
seed <- 1
while(TRUE)
{
set.seed(seed)
young_indices <- young[sample(length(young), 40)]
old_indices <- old[sample(length(old), 20)]
indices <- c(young_indices, old_indices)
if(abs(mean(df$age[indices]) - 40) < 0.25) break
seed <- seed + 1
}
sample_df <- df[indices,]
现在sample_df
将包含 60 个平均年龄约为 40 岁的独特参与者;
nrow(sample_df)
#> [1] 60
mean(sample_df$age)
#> [1] 40.1
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.